Der Artikel führt das Konzept der gruppenspezifischen Konzeptverschiebung und der gruppenspezifischen verteilten Konzeptverschiebung ein und zeigt deren kritische Bedeutung für die Fairness im Maschinellen Lernen auf.
In einem Federated Learning-Szenario, in dem mehrere Kunden kollaborativ ein Modell trainieren, kann die verteilte Natur von Federated Learning in Kombination mit gruppenspezifischen Konzeptverschiebungen neue Herausforderungen für die Fairness schaffen. Jeder Kunde kann unabhängig voneinander gruppenspezifische Konzeptverschiebungen erfahren, was zu einer komplexen und dynamischen Umgebung für die Aufrechterhaltung der Fairness führt.
Die Autoren stellen einen Algorithmus namens FairFedDrift vor, der auf einem Mehrmodell-Ansatz, einer lokalen gruppenspezifischen Drifterkennungsmechanismus und einer kontinuierlichen Clusterung von Modellen über die Zeit basiert, um gruppenspezifische verteilte Konzeptverschiebungen zu erkennen und zu bewältigen. Die Ergebnisse der Experimente zeigen die Wichtigkeit, gruppenspezifische Konzeptverschiebungen und ihre verteilte Variante anzugehen, um die Fairness in Maschinellen Lernsystemen voranzubringen.
To Another Language
from source content
arxiv.org
Viktige innsikter hentet fra
by Tere... klokken arxiv.org 03-25-2024
https://arxiv.org/pdf/2402.07586.pdfDypere Spørsmål